¿Qué es el aprendizaje profundo?

El aprendizaje generativo profundo es un aprendizaje profundo que se centra en crear nuevos resultados a partir de los datos aprendidos. Tradicionalmente, el aprendizaje profundo se centraba en identificar las relaciones entre los datos. Los modelos de aprendizaje profundo se entrenaron con grandes cantidades de datos para reconocer patrones en el conjunto de datos.

El aprendizaje generativo profundo agrega generación al reconocimiento de patrones. Estos modelos buscan patrones de datos y luego crean sus propios patrones únicos. Por ejemplo, pueden analizar el texto de varios libros y luego usar la información para generar nuevas oraciones y párrafos que no se encuentran en los libros originales.

El aprendizaje generativo profundo es la base de la IA generativa y los modelos fundaciones modernos. Estos modelos utilizan tecnologías de aprendizaje profundo a escala, entrenadas con grandes cantidades de datos, para llevar a cabo tareas complejas como responder preguntas, crear imágenes a partir de texto y escribir contenido.

Vea un video de introducción a los modelos fundacionales

El aprendizaje profundo tiene varios casos de uso en los sectores automotriz, aeroespacial, manufacturero, electrónico y de investigación médica, entre otros.

• Los vehículos autónomos utilizan modelos de aprendizaje profundo para la detección de objetos.
• Los sistemas de defensa utilizan el aprendizaje profundo para identificar y marcar zonas de interés en las imágenes satelitales.
• El aprendizaje profundo se utiliza en el análisis de imágenes médicas para detectar las células cancerosas y realizar un diagnóstico médico.
• Las fábricas utilizan aplicaciones de aprendizaje profundo para detectar si las personas u objetos se encuentran a una distancia insegura de las máquinas.

Estos diversos casos de uso del aprendizaje profundo se pueden agrupar en cinco grandes categorías: visión artificial, reconocimiento del habla, procesamiento de lenguaje natural (NLP), motores de recomendación e IA generativa.

Visión artificial

La visión artificial extrae automáticamente la información y los conocimientos de las imágenes y los videos. Técnicas de aprendizaje profundo para comprender las imágenes de la misma manera que lo hacen los humanos. La visión artificial tiene varias aplicaciones, como las siguientes:

• Moderación de contenido para eliminar de forma automática los contenidos inseguros o inapropiados de los archivos de imágenes y videos
• Reconocimiento facial para identificar rostros y reconocer atributos como ojos abiertos, gafas y vello facial
• La clasificación de imágenes para identificar los logotipos de las marcas, la ropa, el equipo de seguridad y otros detalles de la imagen

Reconocimiento de voz

Los modelos de aprendizaje profundo pueden analizar el habla humana a pesar de que varíen los patrones de habla, el tono, el idioma y el acento. Los asistentes virtuales, como Amazon Alexa o el software de conversión de texto a voz y de voz a texto, utilizan el reconocimiento de voz para llevar a cabo las siguientes tareas:

• Apoyar a los agentes de los centros de llamadas y clasificar las llamadas de forma automática.
• Convertir las conversaciones clínicas en documentación en tiempo real.
• Subtitular con precisión los videos y las grabaciones de las reuniones para que los contenidos tengan un mayor alcance.
• Convertir los guiones en peticiones para obtener asistencia de voz inteligente.

Procesamiento de lenguaje natural

Las computadoras utilizan algoritmos de aprendizaje profundo para obtener información y significado a partir de datos de texto y documentos. Esta capacidad de procesar texto natural creado por humanos tiene varios casos de uso, como en estas funciones:

• Chatbots y agentes virtuales automatizados
• Resumen automático de documentos o artículos de noticias
• Análisis de inteligencia empresarial de documentos largos, como correos electrónicos y formularios
• Indexación de frases clave que indican la opinión, como los comentarios positivos y negativos en las redes sociales

Motores de recomendaciones

Las aplicaciones pueden utilizar métodos de aprendizaje profundo para hacer un seguimiento de la actividad del usuario y desarrollar recomendaciones personalizadas. Pueden analizar el comportamiento de los usuarios y ayudarles a descubrir nuevos productos o servicios. Por ejemplo:

• Recomendar videos y contenidos personalizados.
• Recomendar productos y servicios personalizados.
• Filtrar los resultados de búsqueda para resaltar el contenido relevante en función de la ubicación y el comportamiento del usuario.

IA generativa

Las aplicaciones de IA generativa pueden crear contenido nuevo y comunicarse con los usuarios finales de forma más sofisticada. Pueden ayudar a automatizar flujos de trabajo complejos, generar ideas y búsquedas inteligentes de conocimiento. Por ejemplo, con herramientas de IA generativa como Amazon Q Business y Amazon Q Developer, los usuarios pueden hacer lo siguiente:

• Hacer preguntas en lenguaje natural y obtener respuestas resumidas de varios orígenes de conocimiento internas.
• Recibir sugerencias de código y escaneos y actualizaciones automáticos de código.
• Crear nuevos documentos, correos electrónicos y otro contenido de marketing con mayor rapidez.

Los términos machine learning, aprendizaje profundo e IA generativa indican una progresión en la tecnología de redes neuronales.

Machine learning

El aprendizaje profundo es un subconjunto del machine learning. Los algoritmos de aprendizaje profundo surgieron al aumentar la eficacia de las técnicas tradicionales de machine learning. Bajo los métodos tradicionales de machine learning, se requiere un importante esfuerzo humano para entrenar el software. Por ejemplo, en el reconocimiento de imágenes de animales, es necesario hacer lo siguiente:

• Etiquetar manualmente cientos de miles de imágenes de animales.
• Hacer que los algoritmos de machine learning procesen esas imágenes.
• Probar esos algoritmos en un conjunto de imágenes desconocidas.
• Identificar las razones por las que algunos resultados son inexactos.
• Mejorar el conjunto de datos mediante el etiquetado de nuevas imágenes para mejorar la precisión de los resultados.

Este proceso se denomina aprendizaje supervisado. En el aprendizaje supervisado, la precisión de los resultados solo mejora con un conjunto de datos amplio y suficientemente variado. Por ejemplo, es posible que el algoritmo identifique con precisión a los gatos negros, pero no a los blancos, porque el conjunto de datos de entrenamiento tenía más imágenes de gatos negros. En ese caso, necesitaría más datos etiquetados de imágenes de gatos blancos y entrenar de nuevo los modelos de machine learning.

Ventajas del aprendizaje profundo frente al machine learning

Una red de aprendizaje profundo tiene las siguientes ventajas con respecto al machine learning tradicional. 

Procesamiento eficiente de datos no estructurados

Para los métodos de machine learning, los datos no estructurados, como los documentos de texto, son difíciles de procesar porque el conjunto de datos de entrenamiento puede tener infinitas variaciones. En cambio, los modelos de aprendizaje profundo son capaces de comprender los datos no estructurados y hacer observaciones generales sin necesidad de extraer manualmente las características. Por ejemplo, una red neuronal puede reconocer que estas dos frases de entrada diferentes tienen el mismo significado:

• ¿Puede explicarme cómo hacer el pago?
• ¿Cómo puedo transferir dinero? 

Relaciones ocultas y detección de patrones

Una aplicación de aprendizaje profundo puede analizar grandes cantidades de datos con mayor profundidad y revelar nueva información sobre la cual podría no haber sido entrenada. Por ejemplo, considere un modelo de aprendizaje profundo entrenado para analizar las compras hechas por los consumidores. El modelo únicamente tiene datos sobre los productos que ya se han comprado. Sin embargo, la red neuronal artificial puede sugerir nuevos artículos que aún no se han comprado al comparar los patrones de compra con los de clientes similares.

Aprendizaje no supervisado

Los modelos de aprendizaje profundo pueden aprender y mejorar a lo largo del tiempo en función del comportamiento del usuario. No requieren grandes variaciones de conjuntos de datos etiquetados. Por ejemplo, consideremos una red neuronal que corrija o sugiera palabras de forma automática mediante el análisis de su comportamiento de escritura. Supongamos que se entrenó en inglés y que es posible corregir la ortografía de las palabras en inglés. Sin embargo, si escribe con frecuencia palabras que no están en inglés, como danke, la red neuronal aprende automáticamente y las incluye en la función de autocorrección.

Procesamiento de datos volátiles

Los conjuntos de datos volátiles tienen grandes variaciones. Un ejemplo son los importes de los pagos de los préstamos en un banco. Una red neuronal de aprendizaje profundo también puede categorizar y ordenar esos datos al analizar las transacciones financieras e identificar y marcar algunas para detectar fraudes.

Más información sobre las diferencias entre el aprendizaje profundo y el machine learning »

IA generativa

La IA generativa llevó las redes neuronales del machine learning y el aprendizaje profundo al siguiente nivel. Mientras que el machine learning y el aprendizaje profundo se centran en la predicción y el reconocimiento de patrones, la IA generativa produce resultados únicos en función de los patrones que detecta. La tecnología de IA generativa se basa en la arquitectura transformadora que combina varias redes neuronales diferentes para combinar patrones de datos de formas únicas. Las redes de aprendizaje profundo primero convierten el texto, las imágenes y otros datos en abstracciones matemáticas y, después, los reconvierten en nuevos patrones significativos.

La ejecución de la IA generativa y el aprendizaje profundo en la infraestructura en la nube le ayuda a diseñar, desarrollar y entrenar aplicaciones con mayor rapidez. 

Velocidad

Es posible entrenar modelos de IA generativa y aprendizaje profundo con mayor rapidez mediante el uso de clústeres de GPU y CPU para llevar a cabo las complejas operaciones matemáticas que requieren las redes neuronales. A continuación, se pueden implementar estos modelos para procesar grandes cantidades de datos y producir resultados cada vez más relevantes.

Escalabilidad

Gracias a la amplia gama de recursos bajo demanda disponibles a través de la nube, se puede acceder a recursos de hardware prácticamente ilimitados para abordar modelos de aprendizaje profundo de IA de cualquier tamaño. Las redes neuronales pueden recurrir a varios procesadores para distribuir sin problemas y de forma eficaz las cargas de trabajo entre distintos tipos y cantidades de procesadores.

Herramientas

Puede acceder a herramientas de IA y aprendizaje profundo, como cuadernos, depuradores, generadores de perfiles, canalizaciones, AIOps y más. Puede trabajar con los modelos de IA generativa existentes desde la nube como un servicio sin necesidad de infraestructura para alojar el modelo. Los equipos pueden empezar con aplicaciones de IA generativa y aprendizaje profundo, incluso con conocimientos y formación limitados.